OpenAI Deep Research API: Ein Entwicklerhandbuch

Im Zeitalter der Informationsüberflutung ist die Fähigkeit, schnelle, genaue und umfassende Recherchen durchzuführen, eine Superkraft. Entwickler, Analysten und Strategen verbringen unzählige Stunden damit, Dokumente zu durchsuchen, Quellen zu überprüfen und Ergebnisse zu synthetisieren. Was wäre, wenn Sie diesen gesamten Arbeitsablauf automatisieren könnten? Die Deep Research API von OpenAI ist ein bedeutender Schritt in diese Richtung und bietet ein leistungsstarkes Werkzeug, um übergeordnete Fragen in strukturierte, zitatreiche Berichte umzuwandeln.

Die Deep Research API ist nicht nur ein weiteres großes Sprachmodell. Es ist ein agentenbasiertes System, das für die Bewältigung komplexer Forschungsaufgaben entwickelt wurde. Es kann eine Abfrage autonom zerlegen, Websuchen durchführen, Code zur Datenanalyse ausführen und die Ergebnisse zu einem kohärenten, überprüfbaren Bericht synthetisieren. Es ist auf Tiefe, Nuance und Vertrauen ausgelegt und liefert nicht nur Antworten, sondern auch die Beweise dahinter.

Dieser Leitfaden bietet eine entwicklerorientierte Einführung in die Deep Research API. Wir werden alles behandeln, vom ersten API-Aufruf bis hin zu fortgeschrittenen Prompting-Techniken. Wir konzentrieren uns hauptsächlich auf zwei Modelle, die über die API verfügbar sind:

• o3-deep-research-2025-06-26: Das Flaggschiffmodell, optimiert für die Synthese höchster Qualität und tiefgehende Analyse.
• o4-mini-deep-research-2025-06-26: Ein leichteres, schnelleres Modell, perfekt für latenzempfindliche Anwendungen.

Am Ende dieses Artikels werden Sie ein solides Verständnis dafür haben, wie Sie diesen leistungsstarken Forschungsagenten in Ihre eigenen Anwendungen integrieren können.

OpenAI Deep Research API Preise, Ratenbegrenzungen

Die Wahl des richtigen Modells und das Verständnis der Kosten sind entscheidend für Produktionsanwendungen.

Wahl Ihres Modells

• o3-deep-research: Dies ist Ihre erste Wahl für komplexe Aufgaben, die ein Höchstmaß an Argumentation und Synthese erfordern. Es ist langsamer, liefert aber eine überragende Qualität.
• o4-mini-deep-research: Verwenden Sie dieses Modell, wenn Geschwindigkeit Priorität hat. Es ist ideal für einfachere Forschungsaufgaben oder interaktive Anwendungen, bei denen geringe Latenz entscheidend ist.

Die Kosten verstehen

Ende 2024 basiert die Preisgestaltung für das leistungsstarke Modell o3-deep-research auf Tokens:

• Eingabe: 10,00 $ pro 1 Million Tokens
• Ausgabe: 40,00 $ pro 1 Million Tokens

Die höheren Kosten für Ausgabe-Tokens spiegeln die intensive Synthese- und Generierungsarbeit wider, die das Modell leistet.

Wichtige Spezifikationen (o3-deep-research)

• Kontextfenster: Massive 200.000 Tokens.
• Maximale Ausgabe-Tokens: Großzügige 100.000 Tokens, die sehr lange Berichte ermöglichen.
• Wissensstand: 01. Juni 2024. Das interne Wissen des Modells ist bis zu diesem Datum aktuell, aber das Tool web_search_preview ermöglicht den Zugriff auf Echtzeitinformationen.

Ihren ersten OpenAI Deep Research API-Aufruf tätigen

Tauchen wir direkt ein. Bevor Sie die API nutzen können, benötigen Sie das OpenAI Python SDK.

Einrichtung

Falls noch nicht geschehen, installieren Sie die neueste Version der Bibliothek:

pip install --upgrade openai

Als Nächstes müssen Sie sich authentifizieren. Importieren Sie den OpenAI-Client und initialisieren Sie ihn mit Ihrem API-Schlüssel.

from openai import OpenAI
import os

# Es ist Best Practice, eine Umgebungsvariable für Ihren API-Schlüssel zu verwenden
client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))

Die Anfrage stellen

Eine Deep Research-Aufgabe kann, insbesondere bei komplexen Abfragen, mehrere Minuten in Anspruch nehmen. Um Timeouts zu vermeiden, wird dringend empfohlen, Anfragen im Hintergrund auszuführen. Die API macht dies einfach.

Stellen wir uns vor, wir entwickeln ein Tool für ein Finanzdienstleistungsunternehmen im Gesundheitswesen. Die Aufgabe ist es, einen Bericht über die wirtschaftlichen Auswirkungen neuer Diabetes- und Adipositas-Medikamente zu erstellen. So würden Sie diese Anfrage strukturieren:

system_message = """
Sie sind ein professioneller Forscher, der im Auftrag eines globalen Teams für Gesundheitsökonomie einen strukturierten, datengesteuerten Bericht erstellt. Ihre Aufgabe ist es, die vom Benutzer gestellte Gesundheitsfrage zu analysieren.

Tun Sie:
- Konzentrieren Sie sich auf datenreiche Erkenntnisse: Fügen Sie spezifische Zahlen, Trends, Statistiken und messbare Ergebnisse ein.
- Fassen Sie Daten gegebenenfalls so zusammen, dass sie in Diagramme oder Tabellen umgewandelt werden können.
- Priorisieren Sie zuverlässige, aktuelle Quellen: peer-reviewed Forschung, Gesundheitsorganisationen (z.B. WHO, CDC), etc.
- Fügen Sie Inline-Zitate ein und geben Sie alle Quellmetadaten zurück.

Seien Sie analytisch, vermeiden Sie Verallgemeinerungen und stellen Sie sicher, dass jeder Abschnitt datengestützte Argumentation unterstützt.
"""

user_query = "Recherchieren Sie die wirtschaftlichen Auswirkungen von Semaglutid auf globale Gesundheitssysteme."

response = client.responses.create(
  model="o3-deep-research", # Or "o3-deep-research-2025-06-26"
  input=[
    {
      "role": "developer",
      "content": [
        {
          "type": "input_text",
          "text": system_message,
        }
      ]
    },
    {
      "role": "user",
      "content": [
        {
          "type": "input_text",
          "text": user_query,
        }
      ]
    }
  ],
  reasoning={
    "summary": "auto"
  },
  tools=[
    {
      "type": "web_search_preview"
    },
    {
      "type": "code_interpreter"
    }
  ]
)

Schlüsseln wir diesen Aufruf auf:

• model: Wir geben o3-deep-research für einen qualitativ hochwertigen Bericht an.
• input: Hier geben wir unsere Prompts an. Die system_message legt die Persona und das Gesamtziel für den Agenten fest. Die user_query ist die spezifische Forschungsaufgabe.
• reasoning: Das Setzen von summary auf "auto" ermöglicht es dem Modell, die bestmögliche Zusammenfassung für den Bericht zu generieren. Für detailliertere Berichte können Sie dies auf "detailed" setzen.
• tools: Dieses Array teilt dem Agenten mit, welche Tools ihm zur Verfügung stehen. web_search_preview ist erforderlich, damit er das Web durchsuchen kann. code_interpreter ist optional, ermöglicht dem Agenten aber die Ausführung von Python-Code zur Datenanalyse und -visualisierung.

Die wahre Stärke der Deep Research API liegt in dem strukturierten, detaillierten Antwortobjekt, das sie zurückgibt. Es ist mehr als nur ein Textblock; es ist eine transparente Aufzeichnung des Forschungsprozesses.

Der Abschlussbericht

Die Hauptausgabe ist natürlich der Abschlussbericht. Sie können darauf über das letzte Element im output-Array zugreifen:

# Greifen Sie auf den Abschlussbericht aus dem Antwortobjekt zu
print(response.output[-1].content[0].text)

Dies liefert Ihnen den vollständigen, vom Modell generierten synthetisierten Text.

Zitate und Quellen

Eines der wichtigsten Merkmale für jede ernsthafte Forschung ist die Zitierung. Die Deep Research API bettet Zitierungsmetadaten direkt in die Antwort ein. Jedes Zitat ist mit einem bestimmten Teil des Textes verknüpft, was eine einfache Überprüfung ermöglicht.

So können Sie die Zitate extrahieren und anzeigen:

annotations = response.output[-1].content[0].annotations
for i, citation in enumerate(annotations):
    print(f"Zitat {i+1}:")
    print(f"  Titel: {citation.title}")
    print(f"  URL: {citation.url}")
    print(f"  Ort: Zeichen {citation.start_index}–{citation.end_index}")

Diese Struktur ist von unschätzbarem Wert für die Entwicklung von Anwendungen, die ein hohes Maß an Vertrauen und Transparenz erfordern. Sie können sie verwenden, um anklickbare Fußnoten zu erstellen, eine Bibliographie aufzubauen oder Behauptungen programmatisch bis zu ihrer ursprünglichen Quelle zurückzuverfolgen.

Ein Blick unter die Haube: Zwischenschritte

Die API legt auch den gesamten Denkprozess des Agenten offen. Das response.output enthält ein Protokoll aller Zwischenschritte, die unternommen wurden, um zur endgültigen Antwort zu gelangen. Dies ist unglaublich nützlich zum Debuggen, Analysieren oder einfach zum Verständnis der Funktionsweise des Agenten.

• Argumentationsschritte: Diese stellen die internen Pläne und Zusammenfassungen des Modells dar, während es das Problem zerlegt.

reasoning = next(item for item in response.output if item.type == "reasoning")
for s in reasoning.summary:
    print(s.text)

• Web-Suchanfragen: Sie können die genauen Suchanfragen sehen, die der Agent verwendet hat.

search = next(item for item in response.output if item.type == "web_search_call")
print("Abfrage:", search.action["query"])

• Code-Ausführung: Wenn das Tool code_interpreter verwendet wurde, können Sie den ausgeführten Code und die resultierende Ausgabe überprüfen.

code_step = next((item for item in response.output if item.type == "code_interpreter_call"), None)
if code_step:
    print("Code-Eingabe:", code_step.input)
    print("Code-Ausgabe:", code_step.output)

OpenAI Deep Research mit MCP-Servern verwenden

Erweiterte Forschung mit MCP-Servern

Während die Websuche dem Deep Research Agenten Zugang zu einem riesigen Fundus an öffentlichen Informationen verschafft, entfaltet sich seine wahre Leistungsfähigkeit erst, wenn Sie ihn mit Ihren eigenen privaten Daten verbinden.

Hier kommt das Model Context Protocol (MCP) ins Spiel. MCP ermöglicht es Ihnen, benutzerdefinierte Tools zu erstellen, die die Fähigkeiten des Agenten erweitern und es ihm ermöglichen, Ihre internen Wissensdatenbanken, Datenbanken oder andere proprietäre Dienste abzufragen.

Einer der derzeit beliebten MCP-Server ist der Apidog MCP Server, der es Ihnen ermöglicht, Ihre API-Dokumentation innerhalb von Cursor und anderen AI-Codierungstools zu verbinden und KI-Halluzinationen erheblich zu reduzieren, indem er auf die faktischen API-Spezifikationen zurückgreift.

Fazit: Die Zukunft der automatisierten Forschung

Die OpenAI Deep Research API ist mehr als nur eine inkrementelle Verbesserung. Sie stellt eine grundlegende Verschiebung dar, wie wir KI für Wissensarbeit nutzen können. Durch die Bereitstellung eines Agenten, der argumentieren, planen, Tools ausführen und überprüfbare Ergebnisse liefern kann, hat OpenAI einen Baustein für eine neue Generation von Forschungsanwendungen geschaffen.

Ob Sie Dashboards für Wettbewerbsinformationen erstellen, Literaturrecherchen automatisieren oder ausgeklügelte Marktanalysen erstellen, die Deep Research API bietet die Leistung, Transparenz und das Vertrauen, die für ernsthafte, reale Anwendungsfälle erforderlich sind. Wie das Kochbuch andeutet, ist der nächste Schritt wahrscheinlich vollwertige „Deep Research Agents“, was auf eine noch autonomere und leistungsfähigere Zukunft hindeutet. Vorerst bietet die API Entwicklern ein unglaubliches neues Werkzeug zum Erkunden. Beginnen Sie noch heute damit zu bauen.